文献

J-GLOBAL ID：201902253320268279   整理番号：19A2116698

残存有効寿命予測のための深部再帰畳込みニューラルネットワーク【JST・京大機械翻訳】

Deep Recurrent Convolutional Neural Network for Remaining Useful Life Prediction

著者 (2件)： Ma Meng (Department of Mechanical Engineering, Umass Lowell, Lowell, USA) ,  Mao Zhu (Department of Mechanical Engineering, Umass Lowell, Lowell, USA)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2019  号： ICPHM  ページ： 1-4  発行年： 2019年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 回転機械の残りの利用可能なライフ(RUL)予測は,Prognosticsと健康管理(PHM)において重要な役割を果たしている。RUL推定のためのデータ駆動法は,システムの多くの事前知識に依存しないため,広く開発されている。再帰ニューラルネットワーク(RNN)は時系列データをモデル化することができ,時間領域と周波数領域における振動信号の統計的特徴によるRUL予測のために研究されている。統計的特徴を利用する欠点は,故障が発生したときに振動信号が非定常であるため,RUL予測において重要な時間-周波数情報の無視である。この問題を解決するために,深い反復畳込みニューラルネットワーク(DRCNN)と呼ばれる新しい深いアーキテクチャを提案した。RNNの状態遷移の過程に畳込み操作を組み込むことによって,時間-周波数領域における空間情報を振動信号から自動的に学習することができて,それは予測性能の改良に寄与した。RNNにおける畳込み操作によって,時間-周波数領域における空間情報と以前の情報をRUL予測のために採用した。さらに,層によって反復畳込みニューラルネットワーク層を積み重ねることによって,深いアーキテクチャは,時間-周波数領域において高レベルの特徴を学習することができた。最後に,走行-破壊試験の振動信号を用いたRUL予測の実験解析を行った。従来の深いRNN法の結果と比較して,提案した方法はその有効性と優位性を示した。Copyright 2019 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *ニューラルネットワーク ,  有効性 ,  周波数領域 ,  *予測 ,  健康管理 ,  モデリング ,  計算機アーキテクチャ ,  *畳込み ,  *耐用年数
準シソーラス用語： 非定常性 ,  振動信号 ,  時系列データ ,  事前知識 ,  データ駆動 ,  *畳込みニューラルネットワーク , 【Automatic Indexing@JST】

分類 (2件)： 図形・画像処理一般  (JE04010I) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (5件)： 残存 ,  有効寿命 ,  予測 ,  深部 ,  畳込みニューラルネットワーク